信息速览
ToxoDB 是 VEuPathDB 体系里专做弓形虫的那一个站点。它把公共库里散落的弓形虫基因组序列、基因模型、转录组、蛋白组、变异与表型收进来，以 ME49 株为坐标原点对齐，再挂上一套可以层层相交的检索策略。名头是一个属，实际收录的是弓形虫连同它那些同科的近缘球虫——新孢子虫、肉孢子虫、艾美耳球虫、环孢子虫都在里面。
它不是一个能整块下载的表达矩阵，而是一套在线检索系统加一个按物种分目录的下载站。要拿数据，常规路径是在网页上把条件拼成策略、看结果、再导出；想批量取，就走下载站或接口，而这一步的门槛比同平台的姊妹站更硬：网页需要登录，接口需要密钥，连物种清单这种只读端点，不带密钥也会被直接回绝。
这个站点在 2024 年 9 月曾经整体关停过一次，原因是美国国立过敏与传染病研究所的新一轮竞争性资助没有给它续约；靠一笔私人桥接经费在数周后以静态形式恢复，2025 年 3 月起转为订阅制，2026 年重新回到每年六次发布的节奏。这段历史不只影响今天能不能访问，也改变了它作为「公共基础设施」的性质。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全称 | ToxoDB，VEuPathDB 的弓形虫组件站点 |
| 上级体系 | VEuPathDB（原 EuPathDB），十余个组件站点加一个总门户 |
| 维护方 | 宾夕法尼亚大学 VEuPathDB 团队，前身为 NIAID 生物信息学资源中心 |
| 上线年份 | 2003 年，随弓形虫基因组计划发布首版 |
| 物种范围 | 弓形虫为主，兼收新孢子虫、肉孢子虫、艾美耳球虫、环孢子虫等近缘属 |
| 基因组数 | 三十二个已测序并注释的基因组（2020 年口径），现称三十余个 |
| 参考株 | ME49，II 型，基因编号前缀 TGME49_ |
| 其他株系 | GT1（I 型）、VEG（III 型）、RH 等，各有独立前缀 |
| 数据类型 | 基因组与注释、微阵列、RNA-seq、蛋白组、表观组、变异、代谢组、全基因组表型、细胞成像 |
| 检索方式 | 检索策略，把多次筛选按标识做交并差，可保存复用 |
| 跨物种 | OrthoMCL 正交群，全库物种统一计算 |
| 取数方式 | 网页导出、按物种分目录的下载站、REST 服务、Galaxy 工作区 |
| 匿名取数 | 不支持，网页需登录，接口需密钥 |
| 当前版本 | 第 71 版，2026 年 8 月 20 日 |
| 资助状况 | 2024 年 NIAID 未续约致关停，现靠订阅、桥接经费与慈善捐赠维持 |
| 明确不含 | 测序原始读段、湿实验材料、临床与流行病学数据、媒介昆虫数据 |
| 许可 | 各数据集沿用原始提交库条款，站点访问受订阅条款约束 |
§1 它要解决的具体麻烦
1.1 一个名字，两个所指
弓形虫研究里有一个别处少见的陷阱：ToxoDB 这个词有两个互不相干的用法。
一个是指这个数据库，网址 toxodb.org，收录基因组与功能数据。另一个是指一套基因型编号体系：研究者对分离株做多位点 PCR 扩增加限制性片段长度多态性分型，把每一种条带组合登记成一个号，写作 ToxoDB#1、ToxoDB#9、ToxoDB#65 这样的形式。这套编号的源头是当年由这个数据库参与维护的一份分型表，表随库走，名字也就跟着留下了。今天两者早已分家：编号体系是一份文献约定，任何一个实验室都可以按规则给新分离株编号；数据库则是一个需要登录的在线服务。
后果很具体。在文献库里检索「ToxoDB #9」，返回的是一批中国分离株的致病性研究，与数据库本身无关；检索「ToxoDB database」，返回的才是资源介绍。做系统综述时把两者混在一个检索式里，结果集会同时混进两类东西，去重脚本也认不出来——因为它们共用同一个字符串前缀。
更麻烦的是这层混淆会往下传。有人看到 ToxoDB#3 以为指的是「数据库里编号为 3 的株系」，进而去库里找，找不到，于是判断这个库不收录该株系。实际上 #3 对应的是 III 型谱系，库里收录的代表株叫 VEG，两者说的是同一件事的两种命名。
1.2 三条常见的错误期待
| 常见期待 | 实际情况 |
|---|---|
| 以为它是一个只做弓形虫的属级库，像姊妹站那样一属一站 | 名头是一个属，实际按「弓形虫及其近缘球虫」组织，收了同科数个属，因为比较基因组需要外群 |
| 以为库里存着测序原始读段，下载即可重跑 | 只存派生结果，读段仍在 SRA 与 ENA，站点给的是链接 |
| 以为三十二个基因组的注释深度相当 | 弓形虫 ME49 株的深度远超其余，近缘属多数只有骨架加少量转录组 |
这三条里第一条最容易被忽略，因为它不影响「能不能用」，只影响「你以为自己在比什么」。拿艾美耳球虫的基因数去和弓形虫比致病机制，前提是两者的注释都到了可比的程度，而实际上并非如此。
1.3 它能给到的与给不到的
能给到的，是一套把异构证据对齐到同一坐标后的查询能力。想知道某批基因在速殖子与缓殖子之间是否差异表达、是否有非同义突变富集、在疟原虫里是否有正交基因、是否被全基因组 CRISPR 筛选判为体外生长必需——这些条件可以在一个策略里逐步叠加，中途随时看中间结果的规模，最后导出基因列表。这套「边筛边看」的交互，是它区别于纯文件下载站的核心。
给不到的，是结论。它不做统计检验，不给显著性，不替你判断某个基因是否真的必需。策略返回的是集合，集合到结论之间那段推理仍然要自己做。它也不含临床与流行病学数据，那部分在同体系的 ClinEpiDB；媒介节肢动物的数据在 VectorBase；宿主对感染的反应在 HostDB。想把「虫体基因」接到「人群血清阳性率」，得跨三个站点。
还有一层容易被忽略的差别：它给的是「当前状态的快照」，不是「历史过程的记录」。库里能看到某个数据集属于哪一版，但看不到这个数据集在两版之间被修订过几次、改了哪些字段。对多数分析这无关紧要；对需要追溯注释变更的研究，这就成了一个必须自己补的环节——办法是同时留两个版本的文件，逐字段比对。
1.4 你的处境与它能帮到的事
| 你的处境 | 它能不能帮 | 具体怎么做 |
|---|---|---|
| 手上一批候选分泌蛋白，想知道哪些在近缘球虫里保守 | 能 | 用正交群检索取跨属单拷贝群，再与信号肽预测相交 |
| 想找某株系某染色体区段内的所有基因 | 能 | 按基因组位置检索，给定序列号与起止坐标 |
| 想比较强毒株与弱毒株的变异差异 | 部分能 | 变异数据集中在少数株系，其余株系的覆盖稀薄 |
| 想知道某个基因敲掉后虫还能不能长 | 能，限体外与鼠模型 | 用 CRISPR 筛选的表型证据检索，结果为得分而非结论 |
| 想要一份可直接训练的序列语料 | 能，但要自己组装 | 下载站按物种取蛋白与核酸序列，格式统一但需自行拼接 |
| 想复现一篇十年前的基因集 | 有风险 | 需按当年版本号取数，并用旧编号映射表核对 |
| 需要原始读段重跑比对 | 不能 | 只能拿到指向 SRA 的链接 |
| 想要弓形虫的临床病例数据 | 不能 | 临床与流行病学数据在姊妹站，不在本站 |
1.5 一句话判断
如果你想问的是「这个虫里，关于某个基因已知什么」，它是目前最省事的一站；如果你想问的是「这批样本的读数分布如何」，它帮不上，那是序列档案的活。
1.6 不适合谁：四条边界
第一，不适合把它当作统计分析的起点。它给集合不给分布，样本层面的定量表要自己从表达数据集里导出再算。
第二，不适合需要严格版本复现的审计场景。版本每年更新数次，旧版本的文件不保证长期保留，做可复现研究必须自己留档。
第三，不适合以非模式近缘种为主的研究。库里三十余个基因组中，有持续注释更新的集中在弓形虫的几个株系，其余属的注释可能数年未动。
第四，不适合把可用性当作理所当然的长期基础设施。2024 年的关停说明这件事取决于经费周期；2025 年起的订阅制又把「能不能用」拆成了「有没有登记」与「有没有付费」两个问题。工程上的可靠性不能替代资助上的可靠性。
§2 数据构成与规格
2.1 一条从序列到表型的线
库里的数据可以按「离基因多远」排成一条线。最内层是基因组序列与基因模型，这是骨架；往外一层是结构注释的修订证据，例如 RNA-seq 支持的剪接点、表达序列标签的比对；再往外是功能证据，转录组的表达量、蛋白组的检出、表观组的修饰；最外层是群体与表型，重测序检出的变异、基因编辑或转座子插入造成的表型。
这条线在库里不是并列的表格，而是全部挂到基因这个主键上。打开一个基因页，看到的是这几层证据的汇总视图；跑一个检索策略，看到的则是按条件筛出的基因集合。同一批数据，两种看法。
| 层次 | 数据类别 | 典型来源 | 覆盖特点 |
|---|---|---|---|
| 骨架 | 基因组序列与基因模型 | GenBank、社区注释计划 | 各属都有，深度不一 |
| 骨架 | 结构注释证据（剪接点、表达序列标签） | 公共转录本与测序研究 | 弓形虫较密，近缘属稀疏 |
| 功能 | 转录组（RNA-seq、微阵列） | 公共研究 | ME49 与 GT1 最多 |
| 功能 | 蛋白组与翻译后修饰 | 质谱研究 | 集中在少数发育阶段 |
| 功能 | 表观组 | 染色质与修饰研究 | 仅弓形虫等少数物种 |
| 功能 | 细胞成像 | 高通量显微研究 | 以表型读数形式进入，非图像库 |
| 群体 | 变异（单核苷酸与拷贝数） | 重测序研究 | 少数株系为主 |
| 表型 | 全基因组筛选与基因敲除 | CRISPR 筛选、转座子插入 | 弓形虫，体外与鼠模型 |
| 关联 | 代谢通路与化合物 | 通路库与化学生物学 | 由通路库映射而来 |
2.2 二十四种记录类型
库把一切对象抽象成记录类型。接口当前公开的类别为二十四种，每一种对应一类可检索、可链接、可导出的对象：
| 记录类型 | 含义 | 用途 |
|---|---|---|
| organism | 物种与株系 | 检索的第一层过滤条件 |
| genomic-sequence | 基因组序列记录 | 按染色体或片段定位 |
| genomic-segment / strain-genomic-segment | 基因组片段与株系片段 | 未完成组装与株系特有片段的挂载点 |
| gene / transcript | 基因与转录本 | 大多数检索的落点 |
| variation | 变异位点 | 群体遗传与耐药分析 |
| est | 表达序列标签 | 结构注释的历史证据 |
| pathway | 代谢通路 | 通路层面的富集与可视化 |
| compound | 化合物 | 药物与靶点关联 |
| dataset | 数据集 | 每次发布登记的数据单元 |
| dataset-release-notes | 发布说明 | 版本变更的说明书 |
| build | 构建版本 | 版本追溯 |
| junction | 剪接点 | 可变剪接分析 |
| datasource | 数据来源 | 采集链路的登记 |
| userdataset | 用户数据集 | 私有数据与公共数据同框 |
| user-comment | 用户评论 | 社区对基因模型的讨论 |
这套抽象的好处是统一：不同数据类型可以用同一套查询语法串联。坏处是学习成本：不熟悉记录类型的人，第一次看到检索界面会觉得它在讲另一门语言。值得注意的是，表型没有单独成类，它作为基因的属性与数据集一起进来，在基因页上以图表呈现——这一点与很多人对「表型数据库」的想象不同。
2.3 一条记录的解剖
以 ME49 株的一个基因为例，记录号形如 TGME49_113380。这条记录至少包含五组信息：标识组（当前编号、旧编号、别名、所属物种与株系）、位置组（染色体、起止坐标、链方向、外显子结构）、序列组（基因序列、转录本序列、蛋白序列及长度）、功能组（产物描述、GO 词条、InterPro 结构域、EC 号、通路归属）、证据组（表达量曲线、变异位点、正交群、表型得分、文献链接）。
字段的丰富程度因物种而异。ME49 的基因记录里，功能组往往填得很满，因为过去二十年的文献几乎都落在这一株上；换成一个只做过基因组草图的新孢子虫分离株，功能组常常只有一句「未指定产物」，其余靠同源推断补。同一个界面，信息密度能差一个数量级，这是使用时最需要预先知道的事。
单个基因组的规模可以做参照：ME49 的注释里约有八千余个基因，GT1 与 VEG 的数量相近但不相等。数字随版本变动，不同版本会略有出入，引用时应注明版本。
2.4 规模对照
| 口径 | 数值 | 出处 |
|---|---|---|
| VEuPathDB 全库支持的物种 | 逾六百个 | 2024 年资源中心论文摘要 |
| VEuPathDB 全库的预分析数据集 | 逾三千个 | 同上 |
| ToxoDB 的已测序注释基因组 | 三十二个 | 2020 年方法学章节 |
| 上述基因组分属的属 | 七个 | 同一章节的物种列举 |
| 公开的记录类型 | 二十四种 | 接口的类别清单 |
| 2023 年全库月均独立用户 | 四万六千 | 2024 年 9 月媒体报道 |
| 用户调查回收问卷 | 一千八百六十二份 | 站点发布的调查报告 |
这张表要横着读。全库的「六百个物种」和 ToxoDB 的「七个属」是两个尺度；三十二个基因组听起来不多，但每个基因组背后是一批株系与一批研究，条目数远大于此。
2.5 与同类资源的字段差异
与通用的核酸库相比，它多了三样东西：一是把表达、变异、表型挂在基因主键上的关联视图；二是跨物种正交群；三是可保存、可分享、可导入导出的检索策略。这三样是通用库不做的，也是它真正的成本所在。
与只做序列的物种库相比，它少了两样：不存原始读段，不做从头组装。它假定基因组已经组装好、注释已经做完，自己只负责整合与关联。这个分工二十余年没有变过。
与姊妹站 PlasmoDB 相比，差别不在字段，而在取材的重心：疟原虫那边群体变异与耐药位点是主线，弓形虫这边实验操作更成熟，全基因组筛选、基因敲除、小鼠感染模型的表型数据更厚。同一套界面，两边最满的那几栏不是同一栏。
2.6 文件与命名里的坑
第一，基因编号带株系前缀。ME49 用 TGME49_，GT1 用 TGGT1_，VEG 用 TGVEG_。同一个基因在不同株系里编号完全不同，跨株系合并必须走正交群，不能按编号后缀对齐。
第二，旧编号不是删除而是退役。退役编号仍在映射表里，但不再出现在检索结果中。用旧号查询通常能跳转，用旧号做批量匹配则会静默丢数据。
第三，株系不是独立基因组。多数株系的数据被比对到 ME49 的坐标上，所以同一个位点在株系记录里的坐标是参考坐标，不是该株系自身组装的坐标。
第四，数据集带版本号。同一个数据集在不同版本里内容会变，引用时写数据集编号而不写版本，等于放弃了可复现性。版本号与库名同形，ToxoDB-71 指的是第 71 次发布，不是第七十一个数据库。
§3 它的身份：谁的库，对谁负责
3.1 三个名称，一条血脉
EuPathDB、VEuPathDB、ToxoDB 这三个名字常被混用，实际是三代与三层。
EuPathDB 是 2000 年代中期的名字，全称「真核病原体数据库」，把当时各自为政的几个物种库收进一个平台。VEuPathDB 是 2019 年合并后的名字，V 指 Vector，把媒介昆虫的 VectorBase 也并了进来，全称「真核病原体、媒介与宿主信息学资源」。ToxoDB 则是合并前后都存在的组件站点，只做弓形虫及其近缘球虫。
三者的关系是总门户与分站。总门户提供跨全部物种的检索，分站提供属内的精细视图。同一个基因在两个入口都能查到，页面布局几乎一样，差别在默认的物种范围与数据深度。
3.2 家族结构
当前体系由十余个组件构成，一个总门户加十余个专题站。与弓形虫研究关系最近的几个是：
| 站点 | 专做 | 与弓形虫研究的接口 |
|---|---|---|
| ToxoDB | 弓形虫及近缘球虫 | 寄生虫本身的基因与组学 |
| PlasmoDB | 疟原虫属 | 同门对照，比较基因组的常用外群 |
| VectorBase | 媒介节肢动物 | 虫媒传播环节的媒介数据 |
| HostDB | 宿主对感染的反应 | 人、鼠的宿主反应数据 |
| ClinEpiDB | 临床与流行病学研究 | 人群层面的观察与试验数据 |
| OrthoMCL | 全库物种的正交群 | 跨物种同源关系 |
| CryptoDB | 隐孢子虫 | 同科近缘，腹泻病原 |
同一体系下还有 GiardiaDB（贾第虫）、TriTrypDB（锥虫与利什曼原虫）、AmoebaDB、PiroplasmaDB、MicrosporidiaDB、FungiDB、TrichDB。它们共用一套代码与检索语法，学会一个，等于学会全部。
这层关系有一个实际后果：ToxoDB 的能力上限由体系决定。检索策略引擎、正交群计算、基因组浏览器都是共用组件，ToxoDB 自己只维护物种范围与数据接入。所以体系层面的任何变动——包括 2024 年的那次关停与 2025 年的订阅制——都会原样落在分站上，分站没有独立的豁免权。
3.3 对谁负责
第一层是对原始数据的提交者。库内的每一条研究记录都带来源链接，改动注释会留版本痕迹，但不改写原始提交的数值。数据是否公开、何时公开，决定权在提交者手里，这一点在体系的常见问题页里写得很清楚。
第二层是对使用它的研究社区。这一点在 2024 年那场风波里表现得很清楚：合同未续的消息传出后，四十余位美国国家科学院与国家医学院的成员联名致信主管部门，社区论坛连开三场，用户调查回收了近两千份问卷。一个基础设施能在数周内动员出这种反应，说明它的责任关系是真实存在的，不只是纸面。
第三层是对资助方与付费方。这一层在 2024 年之前是单一合同，之后变成订阅收入、桥接经费与慈善捐赠的组合。责任关系变了，服务的承诺方式也随之改变：过去是「合同期内保证在线」，现在是「订阅期内保证在线」。
3.4 坐标系的三根轴
理解这个库，抓住三根轴就够了。
第一根是物种轴。每个物种指定一个「参考基因组」，所有株系的数据向它对齐。轴上的刻度不是物种数，而是「有独立注释的基因组数」，这个数字远小于「库里出现过的分离株数」。
第二根是正交轴。OrthoMCL 在全库物种间算正交群，跨物种查询走这根轴。轴的粒度是群，不是基因，一个群在不同物种里可能有零到多个成员。
第三根是版本轴。每次发布给所有数据集打一个新版本号，同一条记录在不同版本里可能不同。跨版本比较必须显式对齐，否则得到的是时间差而不是生物学差异。
三根轴交叉，就是这个库的全部几何。绝大多数误用，都是把某一根轴当成了不存在。
§4 它的手艺：参考基因组与检索策略
4.1 为什么参考株是 ME49
同一物种的不同株系，基因组之间的差异可以到百分之几。弓形虫的三大克隆谱系在北美与欧洲占主导，彼此差异明显；如果把每个株系的组装各存一套，表达数据就没法比较：A 株的第 1000 号碱基和 B 株的第 1000 号碱基不是同一个位点。
指定「参考基因组」的做法是：选一个注释最完整的株系当坐标原点，其余株系的数据全部比对过去。弓形虫选的是 ME49，II 型，弱毒，实验室里最常用，也是最早完成全基因组测序与注释的株系之一。这样做的收益是可比性——所有表达量、变异、峰图都落在同一套坐标上，可以直接相减。代价是丢失株系特有序列：一个只在某株系存在的基因，如果参考里没有，它在库里就没有位置，只能作为「该株系特有」单独记录。
这套安排在 2003 年首版时只有一个基因组加若干表达标签，2008 年前后扩到 ME49 加 GT1、VEG、RH 几个株系的序列，之后逐步把近缘属拉进来。参考坐标始终是 ME49，二十余年没有换过——换一次等于让此前所有坐标失效，代价大到没人愿意付。
4.2 三个株系，三套前缀
弓形虫的三大谱系各有代表株，也各有自己的基因编号前缀。这不是设计上的冗余，而是历史遗留：每个株系的基因组由不同项目在不同时间完成注释，编号体系各自独立，合并时谁也没能说服谁。
| 株系 | 谱系 | 表型 | 编号前缀 |
|---|---|---|---|
| GT1 | I 型 | 小鼠致死剂量极低，强毒 | TGGT1_ |
| ME49 | II 型 | 弱毒，可形成包囊，参考株 | TGME49_ |
| VEG | III 型 | 弱毒，常用于对照 | TGVEG_ |
| RH | I 型 | 实验室长期传代，失去形成包囊能力 | 依注释批次而异 |
实际使用中，这套前缀带来一个具体动作：拿到一篇论文的基因列表，第一件事是看前缀判断株系，再看编号是否带版本后缀。若论文只给了基因名而不给编号，跨库匹配的失败率会很高。
4.3 检索策略怎么工作
检索策略是这套系统最核心也最容易被低估的部分。它的基本单位是「一步」：选一个检索（例如按物种取全部基因、按表达阈值取基因、按变异取基因），得到一个基因集合；下一步在上一步的结果上继续筛，或者与另一个集合做交、并、差。
这套模型的好处是把「虚拟实验」变成了可组合的操作。想知道「在速殖子期高表达、在缓殖子期低表达、且在疟原虫里有单拷贝正交基因、且 CRISPR 筛选判为体外必需」的基因有哪些，可以四步叠出来，每步都能看到中间结果的规模，随时回退改条件。
策略可以保存、命名、分享链接，也可以导出成图片或表格。这一点对协作很关键：一篇论文的方法段可以直接给出策略链接，别人点开就看到完全相同的筛选路径。这在十年前是很超前的设计，今天仍是它相对通用库的优势。
4.4 一个具体案例
设想一个常见问题：弓形虫里，哪些基因在包囊形成阶段特异表达，而且在近缘的新孢子虫里有单拷贝正交基因。
第一步，取 ME49 全部基因，得到一个全集；第二步，按转录组表达条件筛选，要求缓殖子期高、速殖子期低；第三步，与正交群检索相交，限定群内弓形虫与新孢子虫各仅一个成员；第四步，导出基因列表，并在基因组浏览器里逐个看表达轨道与基因模型。
这里每一步都对应一次服务器端查询，结果规模逐级缩小。实际使用时，第三步往往会把结果砍掉一大半，因为弓形虫的分泌蛋白基因家族扩增严重，单拷贝的要求很严格。若把案例换成 TGME49_113380 这样的单条记录，路径则相反：从基因页出发，看它在哪几个数据集里出现过，再反查这些数据集属于哪些研究。
4.5 正交群：跨物种的公共语言
正交群由 OrthoMCL 计算，输入是全库所有物种的蛋白组。算法先做全对全比对，再按相似度聚类，最后区分正交与旁系。产出的群有稳定编号，群页给出各物种成员的比对、系统发生树与共线性信息。2025 年起体系推出了 OrthoMCL 7 的测试版，改用 OrthoFinder 聚类，并增加了可定制的系统发生树与基于比对的蛋白映射工具。
对弓形虫研究，正交群解决了一个具体困难：不同属的基因命名完全不统一，靠名字对不上，靠序列比对又太慢。有了群号，跨属的「同一个基因」就有了一个可引用的说法。这也是 ToxoDB 必须收近缘球虫的原因——没有外群，正交群就只是一堆属内同源。
局限也明显。群是基于序列相似度的推断，不是实验验证；快速分化的基因族（例如弓形虫的ROP、ROP 激酶与 SAG 表面抗原家族）常常聚不成清晰的一对一关系，一个群里塞进十几个旁系成员是常态。做跨物种比较时，单拷贝群才是可靠的那部分。
4.6 浏览器、注释工具与社区策展
基因组浏览器提供多轨道视图：基因模型、转录组覆盖、变异位点、保守性、表型得分。轨道按数据类型分组，可以叠加，也可以只留一两条。
除浏览之外，体系还提供两个注释工具。Apollo 用于社区协作式手工注释，研究者可以实时修改基因模型并提交讨论；Companion 用于把参考基因组的注释迁移到新组装的基因组上，靠比对加从头预测补全。这两个工具对弓形虫尤其有用：野外分离株的组装常常是碎片化的草图，靠 Companion 能把 ME49 的注释搬过去，省掉大半人工。
4.7 注释流水线在做什么
最近几版最实质的变化不在数据量，而在功能描述。体系引入了一条自建注释流水线，把 UniProt 的 ARBA 规则、InterPro 的结构域与分类学信息合起来，为原本标着「假想蛋白」「未指定产物」的基因生成描述。据第 70 版的发布说明，这条流水线替换了两百多万条无信息描述。
对使用者，这意味着同一批基因在旧版里是一串没有意义的编号，在新版里至少有一句「可能具有某种催化活性」之类的推断。推断不等于事实，但比空白有用：做富集分析时，有描述与没描述的基因走的是完全不同的处理路径。
§5 取数：从网页点击到脚本拉取
5.1 四条路径的取舍
| 路径 | 适合 | 不适合 | 门槛 |
|---|---|---|---|
| 网页检索后导出 | 探索性查询、少量基因 | 批量、可复现流水线 | 需注册登录 |
| 下载站按物种取文件 | 需要全量序列或注释 | 需要跨物种拼接 | 无 |
| REST 服务 | 程序化、增量、可审计 | 大规模全量拉取 | 需 API 密钥 |
| Galaxy 工作区 | 私有数据与库内数据联合分析 | 纯下载场景 | 需账号 |
四条路不是互斥的。常见组合是：先在网页上把策略调通，拿到策略链接；再用同一套条件写成接口调用，放进流水线；最后把版本号与返回的记录数写进日志。
5.2 下载站的组织方式
下载站按物种分目录，每个目录下是核酸序列、蛋白序列、基因注释、转录本序列、变异文件等固定几类文件。文件名里带版本号与物种缩写，同一个物种在不同版本下的目录名不同，取数时把版本号一并记下来。
一个容易踩的坑：目录结构在 2026 年的基础设施迁移后调整过，旧脚本里写死的路径会失效。迁移之后的路径更规整，但对老脚本不兼容。维护方在发布说明里提到过这次迁移，但没有提供自动重定向，依赖旧路径的流水线需要人工改。
5.3 REST 服务的真实行为
服务端点按记录类型组织，根地址在站点的 service 路径下。有一件事需要提前知道：这里的鉴权比很多人预期的严格。查询记录类型清单不需要密钥，但一旦落到具体记录，哪怕是物种清单这种纯只读的元数据，没有密钥也会被回绝。
#-- 先看有哪些记录类型可用，这个端点不需要密钥
curl -s "https://toxodb.org/toxo/service/record-types"
#-- 取物种清单：没有密钥会被拒，返回的是鉴权提示而非空结果
curl -s -X POST "https://toxodb.org/toxo/service/record-types/organism/records" \
-H "Content-Type: application/json" \
-d '{"page_size":100,"format":"json"}'
#-- 带上密钥后取同一批记录
curl -s -X POST "https://toxodb.org/toxo/service/record-types/organism/records" \
-H "Content-Type: application/json" \
-H "Auth-Key: ${VEUPATH_API_KEY}" \
-d '{"page_size":100,"format":"json"}'
第二段命令返回的原文提示是「Valid API Key required for this endpoint」，并给出注册用户获取密钥的页面地址。这一点在文档里写得不显眼，但实际调用时立刻就会遇到——把「接口可用」理解成「接口开放」，是接入阶段最常见的判断失误。
5.4 用脚本分页取基因
实际拉取要处理分页与重试。下面这段只依赖标准库，密钥从环境变量读，不写进代码：
#-- 按记录类型分页拉取，结果落成一个 jsonl，便于后续去重
import json
import os
import time
import urllib.request
BASE = "https://toxodb.org/toxo/service/record-types"
KEY = os.environ["VEUPATH_API_KEY"]
def fetch(record_type, page_size=1000, limit_pages=50):
out, offset = [], 0
for _ in range(limit_pages):
body = json.dumps({"page_size": page_size, "offset": offset,
"format": "json"}).encode()
req = urllib.request.Request(
f"{BASE}/{record_type}/records", data=body,
headers={"Content-Type": "application/json", "Auth-Key": KEY})
with urllib.request.urlopen(req, timeout=60) as r:
payload = json.loads(r.read())
rows = payload.get("records", [])
if not rows:
break
out.extend(rows)
offset += len(rows)
time.sleep(0.5) #-- 别把服务打满
return out
genes = fetch("gene")
print("记录数：", len(genes))
with open("toxo_genes.jsonl", "w") as f:
for g in genes:
f.write(json.dumps(g, ensure_ascii=False) + "\n")
5.5 版本固定这条线不能省
所有取数脚本都应该在输出里记三件事：版本号、取数时间、记录总数。缺一件，三个月后就说不清这份文件是哪一版。
一个可行的做法是把版本号当作目录名，把记录总数当作校验值：
#-- 每次取数建一个以版本命名的目录，并落一份清单
BUILD=71 #-- 对应发布标识 ToxoDB-71
mkdir -p "toxo_${BUILD}"
printf '%s\t%s\t%s\n' "${BUILD}" "$(date -Iseconds)" \
"$(wc -l < toxo_genes.jsonl)" > "toxo_${BUILD}/MANIFEST.tsv"
清单里三列分别是版本、时间、条数。看起来只是记账，实际是这份数据能不能被别人复现的分水岭。
5.6 从网页拿策略链接
网页上调好的检索策略，地址栏里带一个策略编号。把这个编号记下来，等于记下了整套筛选条件，比用文字描述条件可靠得多。别人打开链接看到的是同样的步骤图与同样规模的结果，这一点在做方法学补充材料时特别有用。
需要注意的是，策略链接的可复现性依赖于底层版本。同一编号在下一版里重新运行时，若涉及的基因模型发生过修订，结果规模会变。所以策略链接要连版本号一起给，只给链接等于给了一个会漂移的引用。
5.7 别把两种「取全量」混为一谈
有人把「遍历下载站的所有物种目录」称作取全量，有人把「按接口把所有记录翻完」称作取全量。前者拿到的是文件，后者拿到的是记录，两者的内容并不重合：文件里是序列与注释，记录里有数据集归属、版本号与交叉引用。真正需要「全量」的场景，通常两边都要，且要能按标识对上。这一步没做好，后面所有统计都会带着一个说不清的偏差。
§6 与库内词条的关系
6.1 关系图谱
ToxoDB 在知识链上处于「物种级整合层」，上游是序列档案与文献，下游是分析与建模。库内已有的相关词条可以分成四类：
| 关系 | 相关词条 | 分工 |
|---|---|---|
| 同一平台 | PlasmoDB | 同门不同属，共用代码与检索语法，数据与物种不重叠 |
| 上游序列与注释 | Ensembl、UniProt 一类通用库 | 提供参考序列与蛋白功能注释 |
| 邻近病原体 | BV-BRC 一类多病原体平台 | 覆盖细菌与病毒，与真核病原体互补 |
| 下游分析 | AlphaFold 结构预测、通路库 | 消费库内序列与通路映射 |
6.2 检索路径
从库内其他词条走到这一条，最自然的入口有三个：一是从基因组学的通用库出发，想知道「某个基因在弓形虫里是什么样」；二是从顶复门这个类群出发，想知道「除了疟原虫，还有哪个模式生物的数据够用」；三是从病原体数据库的横向比较出发，想知道「真核病原体这一支由谁承担」。
6.3 与 PlasmoDB 的逐项区隔
这是最容易被合并的一对。两个站点同属一个体系、同一套界面、同一套检索语法，连常见问题的措辞都几乎一样，但它们不是一件事：
| 维度 | ToxoDB | PlasmoDB |
|---|---|---|
| 对象属 | 弓形虫属，兼收近缘球虫数属 | 疟原虫属，不收属外 |
| 参考株 | ME49（II 型） | 3D7（恶性疟原虫） |
| 株系体系 | 三大谱系加野外分离株，另有独立的基因型编号 | 以物种为单位，株系概念弱 |
| 数据重心 | 实验表型、全基因组筛选、鼠模型 | 群体变异、耐药位点、现场样本 |
| 模式地位 | 顶复门的实验模式生物 | 顶复门的致病与流行病学主体 |
| 宿主数据 | 在同体系的宿主站 | 在同体系的宿主站 |
最重要的差别是「模式生物」这四个字带来的：弓形虫可以方便地做基因敲除、条件性敲除、全基因组筛选，小鼠模型成熟，所以它的表型层厚；疟原虫的遗传操作难度高得多，数据重心自然落在测序与流行病学上。同样是「检索策略」，两边最常用的那几步不是同几步。
不能合并的原因还有一层：名称撞车只发生在 ToxoDB 这边，把它并进 PlmoDB 的解释里，会把基因型编号体系这层含义彻底弄丢。
6.4 与湿实验资源的区隔
以美国国立卫生研究院支持的寄生虫试剂资源库为例，两者的分工是清楚的：
| 维度 | ToxoDB | 湿实验试剂资源库 |
|---|---|---|
| 对象 | 序列、表达、变异、注释 | 虫株、质粒、抗体、试剂 |
| 产出 | 文件与查询结果 | 可订购的实物 |
| 更新 | 按版本发布，每年数次 | 按库存与培养状态 |
| 使用 | 下载后分析 | 申请后实验 |
| 对研究的角色 | 生成假设 | 验证假设 |
两者不是替代关系。一个典型的弓形虫课题会先用前者筛出候选基因，再用后者拿到对应的虫株或敲除品系做验证。把它们当成同一类资源，会在设计阶段就走错方向。
6.5 与通用序列库的区隔
通用核酸库提供序列与部分注释，不提供跨数据类型的关键字关联，也不提供检索策略。ToxoDB 的序列多数最终来自通用库，但它做了一件通用库不做的事：把各株系的数据压到一个参考坐标上，并保证表达、变异、表型三类证据可以用同一个基因键连起来。
所以两者的选择标准很简单：只要序列，去通用库；要「这个基因已知什么」的全景，来这里。
§7 质量评估与局限性
7.0 读这一节之前的一个前置校正
有一个认知偏差需要先纠正：ToxoDB 不是一份数据，而是一个持续了二十余年的服务。用评估数据集的方式评估它——问它有多少行、缺失率多少、标注一致性如何——会问错问题，因为它的「行」每次发布都在变，「缺失」取决于你查的是哪个株系。
正确的问法是三个：它收录的每一类证据，来源是否可追；它对同一批证据的处理，是否在物种之间保持一致；它在版本之间，是否留了让人回溯的路径。下面按这三个问题展开。
7.1 五个维度的评分
| 维度 | 评分 | 依据 |
|---|---|---|
| 来源可追 | 强 | 每个数据集记录带文献编号与原始库链接 |
| 处理一致 | 中偏强 | 同一套流水线，但物种间注释年代差别大 |
| 版本可回溯 | 中 | 有版本号与旧编号映射，旧版文件不长期保留 |
| 文档完整 | 强 | 检索语法、字段含义、教程齐备，含分主题的练习材料 |
| 可持续性 | 弱 | 2024 年关停过一次，现依赖订阅与桥接经费 |
五个维度里最弱的是可持续性，而它恰恰是其他四项的前提。一个来源可追、文档完整、但可能明年不在的库，使用策略应该与一个十年稳定的库不同：重要的数据要自己留档，重要的分析要写清版本。
7.2 用 DAIMS 的四个视角看
DAIMS 关注的是数据在流转中的可发现、可获取、可互操作、可重用。按这四个视角逐条看：
| 视角 | 表现 | 缺口 |
|---|---|---|
| 可发现 | 有稳定网址、有文献引用、有站内检索 | 分站与总门户页面重复，搜索引擎常指错层 |
| 可获取 | 网页导出、文件下载、接口三种形态 | 三者都要身份，下载站无全库归档 |
| 可互操作 | 标识体系稳定，导出格式通用 | 与通用库的标识不直接对应，需映射表 |
| 可重用 | 版本与来源清晰，许可逐数据集 | 站点许可与数据许可分层，容易误解 |
可重用这一项的缺口值得展开。站点本身受订阅条款约束，数据本身沿用原始提交库的条款，两层约束不是一回事。把「能访问」理解成「能任意再分发」，是常见的越界；把「订阅费为零」理解成「没有条款」，是另一种。
7.3 已知的、可枚举的偏差
第一，物种深度偏差。弓形虫 ME49 的数据量远超其余，其次是 GT1 与 VEG。近缘属多数只有基因组与零星转录组。做跨属比较时，样本量的差异会被误读成生物学差异。
第二，株系压缩偏差。各株系比对到单一参考基因组，与参考差异大的区段被系统性丢弃。这些区段恰恰常是多态基因族所在的位置——弓形虫的分泌致病因子家族正是高度可变的那一类，也就是说，最想研究的区域最容易被压平。
第三，变异覆盖偏差。群体变异数据集中在少数株系与少数研究，野外分离株的重测序数据零散。想做「全属变异比较」的题目，会发现除少数株系外几乎没有可比的群体数据。
第四，注释年代偏差。不同属的基因模型修订频率不同，有的随版本更新，有的数年未动。把新旧注释放在一张表里比较基因数，得到的差异可能只是注释努力程度。
第五，表型数据稀疏。全基因组筛选与基因敲除的表型集中在弓形虫，且集中在体外培养与小鼠模型两种情境；其余属的表型字段基本为空。这不是遗漏，是领域现状。
第六，名称混淆带来的检索偏差。因为库名与基因型编号共用一个词，文献计量层面的统计会把两类东西算在一起。做「某库被引用次数」这类分析时，必须先按上下文清洗。
第七，时间断档。2024 年至 2025 年之间的发布空档，使那一段时期发表的研究在库里分布不均。做按年份的趋势分析时，会看到一条本不该存在的低谷。这条偏差不像前几条那样写在文档里，只能通过版本历史自己发现。
七条之外还有一条隐性的：界面上呈现的证据密度，会让人误以为证据就是全部。一个基因页上没显示表达数据，可能是真的没有研究，也可能是研究存在但没有通过该库的收录标准。这两种情况在页面上没有区分，需要回到数据集清单里核对。
7.4 外部验证的几条线
一是与原始文献核对。任取一个数据集记录，按它给的文章编号去查原文，比对样本数与处理步骤，能验证采集环节是否忠实。
二是与通用库交叉。取同一株系同一版本的基因组序列，与通用核酸库的记录做校验和比对，能验证序列环节没有走样。
三是与独立重算交叉。拿库内的表达数据自己重跑一遍定量，比较趋势是否一致。这一步成本高，但能暴露处理环节的问题。
四是与兄弟站点交叉。同一条正交群在总门户与分站应给出相同成员，若不同，说明两侧的版本不同步。
7.5 它为何能持续
这个问题在 2024 年之后变得尖锐。一个年成本数百万美元的基础设施，在合同被砍之后仍然活着，靠的是三件事叠加。
第一是社区动员的速度。消息公布两周内，学界公开信接连发出，四十余位院士级学者联名致信，这种压力直接促成了临时经费。同期进行的用户调查回收了近两千份问卷，为「值得救」提供了量化依据。
第二是成本结构本身不贵。据体系自己的估算，把全部资源维持成只读静态版，一年约八十万美元；相对于它服务的用户规模与产出，这个数字在同类基础设施里属于低档，这让「找一笔钱撑一年」在操作上可行。
第三是替代方案不成立。同期获得资助的两个新平台，一个做数据索引与链接，一个做分析算力，都不承接「按基因查全部已知证据」这件事。缺口没有填上，原服务的价值就被反证了。
这三件事合起来说明一个不太乐观的结论：它的存续目前依赖「不可替代」这个理由，而不是稳定的制度安排。订阅制的引入是把这种依赖部分制度化，但订阅收入能否覆盖成本，取决于多少机构真的付费——体系自己在 2025 年的更新里写得很直白：可持续「看起来越来越可行，但尚未被证明」。
§8 生态位与历史
8.1 二十余年的四个阶段
第一阶段是基因组计划时期。弓形虫的基因组测序在世纪之交由多个机构分头推进：一个表达标签项目、一个 BAC 克隆末端测序项目、一个八倍覆盖的随机 shotgun 项目。数据散在三处，格式各异。2003 年 ToxoDB 上线，定位就是把这些半成品收拢到一处，并提供能处理「未完成、未注释」序列的工具。这一阶段的形态是「一个物种一个库」。
第二阶段是整合时期。2004 年起，美国国立过敏与传染病研究所把分散的物种库纳入统一的生物信息学资源中心计划，形成整合平台；此后逐步扩张，锥虫、真菌、媒介陆续并入。这一阶段的形态是「多个库一套代码」。
第三阶段是合并时期。2019 年，真核病原体库与媒介库合并为 VEuPathDB，十余个组件共用一套基础设施。这一阶段的形态是「一个门户多个分站」。
第四阶段是重组时期。2024 年合同未续，站点关停后靠桥接经费恢复；2025 年转订阅制；2026 年完成基础设施迁移，恢复每年六次发布，8 月发布 ToxoDB-71。这一阶段的形态是「同一套服务，新的付费结构」。
四个阶段里，技术架构一直在收敛，商业与资助模式一直在发散。理解这一点，才理解为什么今天的站点在版式上几乎没变，实质却已经是另一种东西。
8.2 2024 年那场风波的时间线
| 时间 | 事件 |
|---|---|
| 2024 年 8 月 | 新一轮竞争性资助公布，原合同未获续签，另两个平台获资助 |
| 2024 年 9 月 15 日 | 站点整体下线 |
| 2024 年 9 月中 | 学界公开信与联名信发出，四十余位学者单独致信主管部门 |
| 2024 年 9 月下旬 | 宣布获得约三百万美元桥接经费，可维持一年 |
| 2024 年 9 月至 2025 年 1 月 | 用户影响与可持续性调查开放，回收近两千份问卷 |
| 2024 年 10 月起 | 站点以静态形式恢复，数据保留，更新暂停 |
| 2025 年 3 月 | 转为订阅制，按机构规模分档，部分用户免费 |
| 2025 年下半年 | 重建数据处理基础设施，恢复常规发布 |
| 2026 年 3 月、7 月、8 月 | 连续发布第 69、70、71 版 |
时间线里最值得注意的是 2024 年下半年到 2025 年下半年之间的空档：将近一年没有常规版本发布。这段空档直接体现在数据上——那一年发表的研究，其数据要么没进库，要么在恢复后集中补录。用这一段时期的数据做时间序列分析，会看到一个人为的断点。
同样值得注意的是关停的方式：不是资金耗尽后的自然停摆，而是合同到期未获续约后的行政性下线。这意味着站点恢复时面对的是一套需要重建的人员与流程，而不只是把服务器重新开机。体系在常见问题里承认了这一点：恢复的难点在「基础设施重组」，不在「数据是否还在」。
8.3 与替代平台的分工
风波之后，领域里出现了几个新平台，定位各不相同：
| 平台 | 定位 | 与它的关系 |
|---|---|---|
| 病原体数据网络 | 跨病原体的数据索引与链接 | 找得到，但不提供按基因的证据汇总 |
| 分析算力平台 | 提供计算资源与分析流程 | 算得动，但数据仍需从原处取 |
| 临床与流行病学专题站 | 人群层面的观察数据 | 同体系兄弟站，不覆盖分子层 |
| 通用序列档案 | 原始读段与组装 | 有底料，但没有整合与关联 |
四者的共同点是都不做「一个基因的全景页」。这不是技术能力问题，是产品定位问题：全景页需要长期的人工策展与注释维护，成本高、见效慢，不是新项目愿意背的包袱。
8.4 在 AI 时代的再定位
大模型出现后，这类库的价值反而更清楚了。模型能读文献、能生成假设，但它读不到「这个基因在哪个发育阶段表达、在哪个物种有正交基因、有没有被筛成必需」这种结构化事实。这些事实需要一个持续维护的真相源。
于是 ToxoDB 的角色从「研究者的查询工具」部分转向「模型的检索后端」。这个转向对它是好事：机器调用比人调用更稳定，也更容易证明价值。但它也带来新的压力——机器调用量大、缓存策略激进，对服务的稳定性要求远高于人工访问；而接口恰好是这里门槛最高的一环，密钥制度让自动化流水线多了一道人工审批。
不过这个转向也有它自己的天花板。模型需要的是「带标注的负例」，而这个库天然只收正面的证据：某个基因在某条件下表达了，就记一条；没表达，往往什么都不记。缺失不等于阴性，这个区别对人是常识，对流水线是陷阱。想把库内的数据直接喂进训练流程，必须先自己构造负例，并明确负例的语义是「未观测」还是「观测为无」。
还有一层是本体层面的：同一个词在不同语境下指向不同实体，是这类库最难被机器理解的地方。ToxoDB#9 与 ToxoDB 的区别，人读上下文能分清，抽取式流水线不能。把库名当实体时，必须先做一层命名消歧，否则抽出来的关系图谱会把这个库和一批中国分离株绑在一起。
§9 使用指引
9.1 三种角色的路径
做机制研究的人，路径是从问题到集合。先在网页上把生物学问题翻译成检索条件，逐步叠加，看每一步的结果规模是否合理；再挑出候选基因，逐个看基因页的证据汇总；最后才决定要不要下载原始数据做定量。这条路径的关键是不要一上来就下载，先让库替你把范围缩小。
做算法与建模的人，路径是从集合到语料。需要的是干净的序列与标签：蛋白序列、基因家族标注、必需基因表、变异位点。这些在下载站按物种分目录可取，格式统一，但要自己拼装成训练集，并自己处理类不平衡——弓形虫的必需基因占比不高，正负样本天然失衡。
做数据工程的人，路径是从接口到流水线。要点有三：密钥管理、分页与限速、版本记账。前两条是工程问题，第三条是可复现性问题，也是最容易被忽略的一条。此外还要多一条：注册与订阅的合规确认。这个库的接口不是匿名可用的公共端点，把它接进生产流水线之前，应该先确认所在机构已完成订阅登记。
9.2 一条最短的可用流程
从零到一份可用的候选基因表，最短的路径是这样的：
#-- 一、先用不需要密钥的端点确认服务在，并看记录类型
curl -s "https://toxodb.org/toxo/service/record-types" | tr ',' '\n' | head
#-- 二、取当前版本号：从任一数据集记录的版本历史里读
curl -s "https://toxodb.org/toxo/app/record/dataset/DS_4a3f2c1b9e" \
| grep -o 'release [0-9]\+' | head -3
#-- 三、按物种取基因列表（需要密钥）
curl -s -X POST "https://toxodb.org/toxo/service/record-types/gene/records" \
-H "Content-Type: application/json" \
-H "Auth-Key: ${VEUPATH_API_KEY}" \
-d '{"page_size":500,"format":"json"}' -o genes.json
#-- 四、在本地做最简单的筛选：只留带明确产物描述的基因
import json
rows = json.load(open("genes.json", encoding="utf-8"))["records"]
named = [g for g in rows
if g.get("product") and "hypothetical" not in g["product"].lower()]
print("有描述：", len(named), "/", len(rows))
#-- 五、记账：版本、时间、条数三件套
printf '%s\t%s\t%s\n' "${BUILD}" "$(date -Iseconds)" "$(wc -c < genes.json)" \
>> MANIFEST.tsv
五步做完，手上有一份带版本与时间戳的基因表。它不完整，但可复现，这是后续一切工作的地基。
9.3 引用方式要写到三层
第一层是平台论文。当前应引 2024 年那篇资源中心的总述文章（Alvarez-Jarreta 等，《核酸研究》52 卷 D1 期，D808–D816，DOI 10.1093/nar/gkad1003），它交代了体系结构、物种规模与数据流程；更早的 2017 年方法学文章仍然有价值，但描述的是合并前的状态，引用时要说明。若研究聚焦弓形虫本身，还应引 ToxoDB 自己的资源文章——2003 年的首版与 2008 年的整合版，后者交代了参考株与多株系序列的接入方式。
第二层是版本与数据集。写清版本号、取数日期与所用数据集的编号。只写「来自 ToxoDB」而不写版本，别人无法判断你用的是哪一批注释。
第三层是原始研究。如果分析涉及具体数据集，应给出该数据集背后的文献编号，让原始实验的设计可被核对。三层缺一层，复现性就打一次折扣。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 本页 AI 参与程度 | 由 AI 助手依据官方页面、发布说明与论文摘要起草，数字与结论经人工核对 |
| 数字来源层级 | 见附录 B，官方发布说明为一级，论文与专著章节为二级，新闻报道为三级 |
| 未核实项 | 当前版本的基因组总数未在公开页面给出可直接引用的单值，正文采用 2020 年章节口径并标注年代 |
| 版本信息 | 以 2026 年 10 月 29 日读取的站点与发布说明为准，当时为第 71 版 |
| 已知不一致 | 任务描述中的论文页码与论文页实际页码一致，均为一卷一期中的连续页；论文标题含「in 2023」后缀，正文按通称引用 |
| 资助状态 | 2024 年关停与 2025 年转订阅均有官方说明与同期报道互证 |
| 适用边界 | 描述对象是资源本身的结构、规模与边界，不含对具体研究结论的评价 |
| 更新机制 | 资源按版本滚动更新，本页不承诺随版本同步刷新 |
常见误读（避坑清单）
| 常见说法 | 实际 | 证据 |
|---|---|---|
| 「ToxoDB 就是一个数据库文件」 | 是服务，含网页检索、文件下载、接口三种形态，没有全库归档 | 下载站按物种分目录，无打包全库的单一归档 |
| 「论文里的 ToxoDB#9 是库里的编号」 | 是基因型分型编号，与库收录无关 | 分型文献中 #1、#2、#3 对应三个克隆谱系，另有 #17、#65、#216 等 |
| 「它只做弓形虫一个属」 | 名头是一个属，实收同科数属的近缘球虫 | 资源介绍列举七个属，含新孢子虫、肉孢子虫、艾美耳球虫 |
| 「它和 VEuPathDB 是两个东西」 | 是同一体系的门户与分站，共用代码与数据 | 两站页面结构一致，论文表格将其列为同一体系的组件 |
| 「库里存着测序原始数据」 | 只存派生结果，读段在 SRA 与 ENA | 数据集记录只提供指向原始库的链接 |
| 「三十二个基因组注释深度差不多」 | ME49 远超其余，近缘属多为骨架 | 各版本发布说明按物种列出新增与更新条目 |
| 「接口可以匿名调用」 | 连物种清单端点都要求密钥 | 直接请求记录端点返回鉴权提示原文 |
| 「它是免费的公共设施」 | 2025 年 3 月起实行订阅制，按机构规模分档 | 站点首页订阅说明段与常见问题页 |
| 「2024 年关停之后就没了」 | 靠桥接经费恢复，2026 年仍在新版发布 | 站点在线，第 71 版发布说明 |
| 「基因编号永远不变」 | 模型修订会导致拆分合并与退役，需用映射表 | 官方提供旧编号查找新编号的说明页 |
| 「可以直接拿它做差异表达」 | 给的是集合与曲线，不做统计检验 | 检索策略无检验环节，输出为基因列表 |
| 「全基因组 CRISPR 筛选的结果是必需基因清单」 | 给的是按条件的得分，必需与否要自己定阈值 | 表型以图表形式挂在基因页，非二值标签 |
FAQ
Q1：现在打开站点需要付费吗？
访问本身不收费，但需要注册并按订阅制登记。费用按机构规模与使用强度分档，部分用户适用零费档。登记的目的是让维护方能统计使用规模，作为向资助方与捐赠方交代的依据。不登记会被拦在登录页，这一点与「有链接就能看」的直觉不同。
Q2：为什么我按老教程的路径下载不到文件？
2026 年的基础设施迁移改动了下载站的目录结构。老教程里的路径多数失效，需要在当前下载页重新取一次路径。迁移的目的是提升可扩展性与性能，官方在发布说明里提到过，但没有做自动重定向。
Q3：三个株系我该用哪个？
看问题。做机制研究、需要最完整注释的，用 ME49；做强毒与弱毒对比的，加 GT1；需要 III 型对照的，加 VEG。跨株系比较必须走正交群，不能按编号后缀对齐，因为三套前缀各自独立。
Q4：变异数据覆盖哪些株系？
以少数常用株系与若干野外分离株为主，来源是各地的重测序研究。想做全属的群体遗传比较，会发现可比性有限。这是领域的数据现状，不是采集疏漏。
Q5：能不能用它做药物靶点筛选？
可以作为一个环节。常见路径是按表达特异性、必需性、跨物种保守性三个条件叠加，得到候选集，再结合结构预测与化合物数据排序。它提供前两步的证据，不提供排序结论。
Q6：检索策略能导出成什么？
可以导出为图片、表格，也可以生成一个可分享的地址。地址里带策略编号，别人打开看到相同的步骤与结果。分享时应连同版本号一起给，否则链接会在下一版漂移。
Q7：如果站点再次关停怎么办？
这是需要认真对待的风险。可行的做法是：把关键数据集本地留档并记录版本，把分析流程写成可替换数据源的形态，并在方法段写明版本与取数日期。这样即使源站变动，工作仍可复现。订阅制在制度上降低了这个风险，但没有消除它——订阅收入能否覆盖成本，体系自己给的判断是「尚未被证明」。
Q8：它和通用序列库该用哪个？
要序列与基础注释，用通用库；要「某个基因已知什么」的汇总视图、跨物种正交关系、可组合的检索，用它。两者不是替代关系，多数流程里会同时用到。
Q9：近缘属的数据能用吗？
能用，但要知道它为什么在那儿。收录近缘属的主要目的是给比较基因组提供外群，让正交群有意义；这些属的注释深度普遍不如弓形虫，拿它们做独立的主线研究会很快碰到数据边界。
附录 A：时间线速查
| 年份 | 事件 |
|---|---|
| 2003 | 首版上线，服务弓形虫基因组计划，处理未完成序列 |
| 2004 | 纳入统一的生物信息学资源中心计划，形成整合平台 |
| 2008 | 整合版发表，接入 ME49 之外的多个株系序列 |
| 2017 | 平台方法学论文发表，描述整合期的架构 |
| 2019 | 真核病原体库与媒介库合并，十余个组件共用基础设施 |
| 2024 | 合同未续，站点 9 月下线，随后获桥接经费恢复 |
| 2025 | 3 月转订阅制，下半年重建基础设施并恢复发布 |
| 2026 | 恢复每年六次节奏，8 月发布第 71 版 |
附录 B：数字来源层级
一级来源是官方发布说明与站点页面，包括版本号、新增数据集、注释更新说明、订阅与资助说明。二级来源是论文与专著章节，用于说明体系结构、物种规模与数据集总量，但反映的是投稿或成书时的状态。三级来源是同期新闻报道，只用于还原 2024 年风波的时间、金额与用户规模，不用于描述当前状态。
三层之间的关系是：一级管当下，二级管结构，三级管过程。混用会造成两类错误——用论文数字描述当前规模，或用新闻描述当前状态。本篇在引用「三十二个基因组」时明确标注了 2020 年口径，原因就在这里：这个数字在成书之后很可能已经增长，但公开页面没有给出可直接引用的新单值。
附录 C：数字口径说明
基因组数有三个口径：体系支持的全部物种、本站收录的物种、有独立注释并持续更新的基因组。三者依次递减，差值很大。文章与论文里说「三十二个」，指的是已测序并注释的基因组，不等于「三十二个物种」，也不等于「三十二个都有同等深度的功能数据」。
数据集数也有两个口径：全库的预分析数据集总数，与单个分站的数据集数。前者以千计，后者以百计。
株系数是第四个容易混的口径。库里出现过的分离株数量远大于有独立注释的基因组数；多数分离株只以变异位点的形式挂在参考坐标上，没有自己的基因模型。
时间口径同样要小心：版本发布日期与数据实际入库时间不同，2024 年至 2025 年之间的空档使这种差异尤其明显。
附录 D：物种与参考基因组
弓形虫一侧，有独立注释的株系包括 ME49（II 型，参考株）、GT1（I 型）、VEG（III 型）、RH 等，另有若干野外分离株以变异数据的形式挂靠在参考坐标上。近缘属一侧，收录范围覆盖新孢子虫、肉孢子虫、艾美耳球虫、环孢子虫、等孢球虫、哈蒙虫等，多为一个属取一到数个代表种。
这些近缘属的存在有一个明确的功能理由：比较基因组需要外群。只有把弓形虫放进一个更大的框架里，正交群才有意义，「弓形虫特有的基因」这句话才有参照。但这不意味着这些属的数据可以当作独立主线使用——它们的注释深度、转录组覆盖、表型数据都远不如弓形虫。
文献中曾有研究一次性取用多个属的蛋白组做跨类群分析，这个做法可以借鉴，但应在方法段写明各属的注释版本与深度差异，否则读者会误以为样本是对等的。
附录 E：如果只记五件事
第一，它是 VEuPathDB 体系里专做弓形虫的分站，名头是一个属，实收同科数属，理由是给比较基因组提供外群。
第二，名称与弓形虫的基因型编号体系撞车，ToxoDB#9 说的是分离株分型，不是库里的编号。这是检索时最容易出错的一处。
第三，核心机制是以 ME49 为参考株，全部证据向它对齐，可比性由此而来，株系特有序列的丢失是代价；三个主要株系各有一套基因编号前缀。
第四，取数有三条路：网页策略导出、按物种分目录的下载站、需要密钥的接口。没有全库归档，网页与接口都需要身份。
第五，2024 年曾因合同未续整体关停，靠桥接经费恢复，2025 年起订阅制，2026 年迁移到新基础设施并恢复每年六次发布。
编辑说明
本篇的核验时间为 2026 年 10 月 29 日。核验方式为直接请求站点接口端点，读取返回的记录类型清单与鉴权提示原文；读取站点页面的配置项以确认登录要求；通过文献接口取 2024 年资源中心论文的摘要与 ToxoDB 各版资源文章的摘要；并对照同期关于资助风波的公开报道与体系常见问题页。接口在未带密钥时返回明确的鉴权提示，记录类型清单在匿名状态下可读，两项都可复现。
未覆盖的内容包括：当前版本的基因组总数与数据集总数（公开页面未给出可直接引用的单值）、逐数据集的采集日志（不公开）、以及订阅费的具体分档金额（按机构规模协商，站点未列固定价目）。站点前端为单页应用，多数内容页需登录后由脚本渲染，因此正文中凡涉及当前规模之处，均标注了口径年份或来源层级，未作无据的整数字断言。
本页描述的是资源本身的结构、规模与边界，不涉及对任何具体研究结论的评价，也不构成使用建议的法律意见。数据再分发需按各数据集的原始条款逐项确认，站点访问另受订阅条款约束。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- circtarget — 共享标签：基因组学与多组学 / 变异与注释 / 转录组
- plasmodb — 共享标签：基因组学与多组学 / 变异与注释 / 转录组
- expression-atlas-legacy — 共享标签：基因组学与多组学 / 变异与注释 / 转录组
- expression-atlas — 共享标签：基因组学与多组学 / 变异与注释 / 转录组
- igvf-catalog — 共享标签：基因组学与多组学 / 变异与注释
- clinmave — 共享标签：基因组学与多组学 / 变异与注释
- tcga-pancan-atlas — 共享标签：基因组学与多组学 / 变异与注释 / 转录组
- geo — 共享标签：基因组学与多组学 / 转录组
- cosmic — 共享标签：基因组学与多组学 / 变异与注释
- clinvar — 共享标签：基因组学与多组学 / 变异与注释
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
